Cours en ligne. Paris 5. Pasteur. ABI Marseille.

Transcription

1 Cours en ligne Paris 5 Pasteur ABI Marseille

2 Gestion des informations génétiques Séquençage massif de chromosomes complets: information utilisable??? Annotation des banques Structures en retard par rapport aux séquences Pas de banque totalisant toutes les informations sur une séquence

3 Bases bibliographiques Banques de données Bases de séquences Généralistes Spécialisées Bases de structures & domaines Banque = collecte des donnés exhaustive; hétérogènes Base = données homogènes (technique, espèce); valeur ajoutée

4 Banques de séquences Acides nucléiques : Format commun depuis 1990 EMBL (puis EBI) début 1980 : ADN Genbank, Los Alamos puis NCBI DDBJ (Japon) Protéines : PIR = NBRF (National Biomedical Research Foundation) + MIPS (Martinsried Institute for Protein Sequences) + JIPID (Japan International Protein Infromation Database) SwissProt = séquences annotées PIR-NBRF + séquences codantes traduites d EMBL Uniprot = PIR+SP+TREMBL

5 Qualité données Information présente des lacunes Manque de vérifications systématiques des données soumises ou saisies, surtout pour les séquences anciennes Maintenant nombreuses vérifications systématiquement dès la soumission de la séquence On peut signaler aux responsables les erreurs dans les banques

6 Qualité données Recherche de psuedo dans EMBL avec SRS

7 Banques généralistes Projets internationaux Indispensables à la communauté scientifique : données, résultats essentiels (certains ne sont plus dans la littérature, les noms changent) Principale mission = rendre publiques les séquences Bibliographie et expertise biologique liées aux séquences Organisation en rubriques ou champs; références croisées Pas de vérification pour les séquences anciennes Décalage entre dépôt et mise en ligne d une séquence

8 EMBL Panda Group (Protein And Nucleotide EBI This morning the EMBL Database contained 236,378,259,855 nucleotides in 146,771,148 entries Breakdown by entry type Entry Type Entries Standard Constructed (CON) 2,595,559 Third Party Annotation (TPA) 6,008 Whole Genome Shotgun (WGS) 46,934,174

9 EMBL

10 Croissance des entrées de la banque EMBL

11 EMBL: nombre de nucléotides

12 EMBL

13 EMBL Entrée Polydom souris

14 EMBL

15 SWISS-PROT Amos Bairoch. Department of Medical Biochemistry of the University of Geneva & EMBL Release 56.3 of 14-Oct-08 of UniProtKB/Swiss-Prot contains sequence entries, comprising amino acids abstracted from references

16 SWISS-PROT Distribution des longueurs Répartition des entrées

17 SWISS-PROT

18 SWISS-PROT Nombre d entrées dans SP Nombre d entrées humaines dans SP

19 SWISS-PROT Croissance des banques de séquence beaucoup plus rapide que celle des banques de structures Taux de nouveaux repliements

20 PDB PDB: protéines en 2008

21 SWISS -PROT

22 SWISS -PROT Plusieurs noms possibles

23 SWISS -PROT

24 SWISS -PROT

25 Noms En biologie, les noms des protéines ne sont pas stabilisés: évoluent avec le temps Une protéine peut avoir plusieurs fonctions

26 Synonymes Interleukine 6 D après Robert Nitsch Interferon β2 B cell differentiation factor B cell stimulatory factor 2 Hepatocyte stimulatory factor Hibridoma growth factor Plasmocytoma growth factor Dans la SwissProt IL-1F6 Interleukin-1 epsilon IL-1 epsilon FIL1 epsilon

27 UNIPROT

28 UNIPROT

29 UNIPROT Polydom

30 Motifs Motifs consensus (patterns) : Prosite = dictionnaire qui recense les motifs protéiques ayant une signification biologique Régions provenant d un alignement multiple: Block ou PRINTS PROSITE BLOCKS PRINTS

31 Prosite Banque de motifs Motif = signatures protéiques liées à une fonction bio Correspond à un consensus en certaines positions et/ou à une caractéristique structurale permettant de caractériser une famille protéique Expertise par un réseau de correspondants spécialisés (par fonction) Révision régulière (noms des protéines ont une histoire) Interrogeable par protéine ou par motif : fournit motif ou famille

32 1enh Homeodomain

33 PROSITE

34 PROSITE

35 PROSITE motif en séquence

36 Blocks Détecte et assemble les régions conservées de protéines apparentées Détection par alignement multiples et séparation en blocs de séquences Block = superposition de segments protéiques très similaires sans indel

37 BLOCKS 1enh

38 BLOCKS 1enh

39 PRINTS Fingerprints (Empreintes) groupes de motifs extraits d alignements multiples de séquences Signatures d une famille protéique PRINTS-BLAST : Permet de rechercher un motif de la banque PRINTS avec le logiciel BLAST

40 PRINTS What is a fingerprint? fingerprint motif annotation PRINTS

41 PRINTS TM domain loop region TM domain

42 PRINTS 1enh

43 PRINTS 1enh

44 Séquence et Structure ne sont pas sur un même bateau Biosphère = 10 n séquences, avec n voisin de 12 Nombre de repliements (architectures) différents : 10 3 Deux séquences voisines se replient en deux structures voisines Deux structures voisines peuvent porter des séquences très différentes

45 1D Passage séquence structure Domaine 3D?

46 Banques 3D

47 Banque de structures

48 PDB

49 PDB

50 PDB

51 PDB Taux de nouveaux repliements décrits annuellement

52 Fichier PDB Coordonnées atomiques disponibles dans une banque de structures, la Protein Data Bank HEADER DNA-BINDING PROTEIN 20-MAY-94 1ENH 1ENH 2 COMPND ENGRAILED HOMEODOMAIN 1ENH 3 SOURCE (DROSOPHILA MELANOGASTER) RECOMBINANT FORM EXPRESSED IN 1ENH 4 SOURCE 2 (ESCHERICHIA COLI) 1ENH 5 AUTHOR N.D.CLARKE,C.R.KISSINGER,J.DESJARLAIS,G.L.GILLILAND,C.O.PABO 1ENH 6 REVDAT 1 31-AUG-94 1ENH 0 1ENH 7 SCALE ENH 61 ATOM 1 N ARG ENH 62 ATOM 2 CA ARG ENH 63 ATOM 3 C ARG ENH 64 ATOM 4 O ARG ENH 65 ATOM 5 CB ARG ENH 66 ATOM 6 CG ARG ENH 67 ATOM 7 CD ARG ENH 68 ATOM 8 NE ARG ENH 69 ATOM 9 CZ ARG ENH 70 ATOM 10 NH1 ARG ENH 71 ATOM 11 NH2 ARG ENH 72

53 Fichier PDB Pas d information explicite sur les liaisons entre atomes : c est déterminé par le calcul des distances interatomiques Pas d information sur la charge des atomes: peut être calculé

54

55 Coordonnées internes Indépendantes du référentiel

56 Coordonnées internes

57 Coordonnées internes et absolues Coordonnées internes: au pont, tourner à droite, puis suivre tout droit pendant 500 mètres, tourner à gauche, et continuer pendant 600 mètres Coordonnées absolues : N W

58 Coordonnées internes et absolues

59 Coordonnées internes et absolues

60 Classification structurale CATH Class, Architecture, Topology, Homology SCOP Structural Classification of Proteins DALI Structural Classification of Proteins PDBSUM Attribution des structures secondaires à partir du code PDB

61 Taxinomie structurale CATH CLASSES alpha (principalement hélices); pas tout alpha beta (principalement brins) alpha+beta, dissociation des domaines α et β alpha/beta, alternance, unités βαβ few, séquence courte, stabilisation non effectuée par les SSR mais par les ponts disulfure Consensus de 3 méthodes automatiques de délimitations de domaines, le reste manuellement Homologie définie à partir de l identité de séquences

62 Examples of protein architecture Architecture refers to the arrangement and orientation of SSEs, but not to the connectivity. β-sheet with all pairs of strands parallel β-sheet with all pairs of strands anti-parallel

63 Examples of protein topology Topology refers to the manner in which the SSEs are connected. Two β-sheets (all parallel) with different topologies.

64 CATH

65 Roue CATHerine Rose :Alpha Jaune : Beta Vert : Alpha-beta

66 PDBSUM

67 PDBSUM

68 SCOP Classes : comme CATH Repliements : même repliement si même arrangement des SSR et même connexion topologique (cœur commun + éléments de structures secondaires périphériques + régions de turns qui diffèrent en taille et en conformation) Superfamilles : identités de séquence faibles; détails structuraux et fonction suggèrent ancêtre commun Familles : relations évolutives par similitudes de séquence significatives, ou similitudes structure et fonction Essentiellement manuel

69

70 SCOP 1 - Classe: caractéristiques globales, pas de relation évolutive 2 - Repliement: topologie similaire. Cousins éloignés d un point de vue évolutif? 3 - Superfamille : homologie structurale claire 4 - Famille: homologie de séquence claire 5 - Protéine : identité fonctionnelle 6 - Espèces : séquences uniques

71 SCOP Repliements tout alpha Repliements tout beta Repliements alpha/beta Repliements alpha+beta Multi domaines Protéines membranaires Petites protéines Total de repliements

72 DALI Méthode automatique (réseau de neurones et tri hiérarchique) : identifie dans une première étape les similitudes structurales: carte de l espace des repliements (ressemblance structurale suffisante pour opérer les différences entre repliements) Autre critère pour définir les superfamilles : déduit des propriétés fonctionnelles Dietman (2001) NSB 8:953

73 DALI Cercles épais = repliements ; déduits des similitudes structurales Dietman (2001) NSB 8:953

74 DALI Attribution des superfamilles à partir des fonctions Dietman (2001) NSB 8:953

75 Consensus des classes SCOP considéré comme standard, en absence d homologie avec un autre domaine, classification manuelle CATH = consensus de 3 méthodes automatiques de délimitations de domaines, le reste manuellement. Homologie définie à partir de l identité de séquences. Dali = définition des domaines entièrement automatique (repose sur l algorithme PUU) Statistiques du nombre de chaînes, de domaines tels que définis par SCOP, CATH et Dali Day Prot Sci (2003) 12:2150

76 Domaines

77 Domaines globulaires Une chaîne polypeptidique peut comprendre plusieurs domaines, parfois appelés lobes, comme dans la Béta galactosidase. Un domaine est défini par ses caractéristiques 3D de compacité. Il ne correspond pas nécessairement à une continuité dans la séquence. Il peut y avoir une fonction par domaine.

78 Fibronectine Code PDB : 1fnh Liaison aux surfaces cellulaires et à la fibronectine, l héparine, l actine...

79 80% domaines = segments contigu d une seule chaîne Parfois insertion d un domaine dans un autre (parent) Domaine type thioredoxine inséré (rouge) dans un domaine parent (bleu) : 1qmhA

80 Polydom Pentraxin (PTX) complement control protein (CCP) epidermal growth factor (EGF) von willebrand factor A (VWA) AF206329

81 SUSHI Intégré à la membrane Régulation négative de l activation du complément Protéine de liaison au complément

82 Banques de domaines PRODOM SMART PFAM Interpro

83 Domaines Q9ES77_MOUSE InterPro

84 InterPro 1enh

85 InterPro 1enh

86 PRODOM 1enh représentation graphique

87 PRODOM 1enh alignement De la famille

88 PRODOM 1enh arbre phylogénique

89 SMART 1enh

90

91 SMART 1enh

92 PFAM 1enh

93 PFAM 1enh

94 PFAM 1enh

95 PFAM 1enh

96 PFAM 1enh

97 Génomes complets

98 EnsEMBL

99 EnsEMBL

100 EnsEMBL 1enh

101 EnsEMBL 1enh

102 EnsEMBL 1enh

103 Banques spécialisées CAZy HIV A. Thaliana

104

105 Banque A. thaliana

106 IMGT

107 Recherche d information dans les banques Lexicographique : recherche de fragments de texte strictement présents dans la banque Avec valeur ajoutée : recherche des informations voisines, des synonymes. Criblage de banque pour rechercher toute la famille d une séquence donnée

108 Interrogation littérale Interrogation sur plusieurs bases à la fois; possibilité utiliser les références croisées (rechercher dans EMBL les séquences issues d une interrogation de SW) Opérateurs logiques : ET, OU et NON Logiciel SRS installé sur de nombreux serveurs Web (SW, NCBI, EBI, PFAM ). Interface graphique commune Liste des serveurs disponible à

109 SRS

110 SRS

111 SRS3D

112 SRS3D

113 Comparaison des structures Pour comparer des structures il faut d abord les superposer résidu par résidu selon la correspondance établie lors de l alignement des séquences. Ecart quadratique moyen est le rms

114 Superposer = comparer du 3D Nombreux sites MSD permet de sélectionner une partie de la structure à superposer MATRAS permet la même chose, et fournit une image Yakusa Peu d outils pour superposer un grand nombre de structures (Plus de 10): MUSTANG (pas en ligne)

115

116

117

118 EBI-MSD Schéma d un alignement structural multiple. Les flèches dénotent les SSE alignés par paires. Motifs A & B identiques en géométrie, mais connectiviés différentes. MSD gère connectivité entre les structures secondaires. Krissinel (2004) Acta Cryst D60:2256

119 EBI-MSD Fonction Q de qualité d accord entre deux structures rmsd entre les deux structures, nombre de résidus alignés (Nalign) entre les deux séquences de longueur N1 et N2 R = paramètre empirique choisi à la valeur de 3 Å Q = 1 pour structures identiques (N1=N2=Nalign) ; décroit vers zéro quand divergence augmente Compromis entre rms faible et maximum de résidus alignés Krissinel (2004) Acta Cryst D60:2256

120

121 SISYPHUS

122 SISYPHUS

123

124 Acessibilité au solvant Une sonde roule au contact des rayons de van der Waals des atomes de la protéine: elle décrit ainsi la surface moléculaire Le lieu du centre de la sphère sonde est la surface accessible au solvant

125 Accessibilité au solvant

126 1utg Monomère

127 2utg Dimère

128 Cavités dans les protéines Prot Sci (1994) 3:1224

129 Attribution SS2

130 Attribution structures secondaires A partir du fichier PDB; les seuls angles dièdres insuffisants DSSP calcule les liaisons H possibles. Si liaisons tous les (i+3), (i+4) ou (i+5) alors hélice. Si liaisons entre les atomes NiH-Oj et Oi-Nj+2 alors brins parallèles. Si liaisons entre les atomes Oi-Nj et Ni-Oj, alors brins antiparallèles. DSSP attribue une structure secondaire si 4 résidus successifs ont même attribution. DSSP attribue les tours.

131 DSSP Liaison H dans l eau Energie de la liaison H en fonction de l angle HNO et de la distance NO Distance canonique DA = 2.9 Å (D donneur; A accepteur) Angle DHA canonique 180

132 DSSP

133 STRIDE Voisin de DSSP Utilise les liaisons hydrogènes et les angles dièdres

134 RPBS

135 PSEA Utilise les distances entre carbones alpha : d2(i-1,i+2), d3 (i-1,i+3) et d4 (i,i+4) Utilise les pseudo angles de valence τ entre (i-1,i) et (i,i+1) Utilise les pseudo angles dièdres α (i- 1,i,i+1,i+2) Comparaison à des valeurs canoniques Se contente des carbones alpha

136 P-SEA Paramètres d assignation des structures secondaires Paramètre Hélice α Brin β angle τ ( ) 89± ±14 dièdre α ( ) 50± ±45 distance d3 (Å) 5,3 ±0,5 9,9 ±0,9 distance d4 (Å) 6,4 ±0,6 12,4 ±1,2

137 Fiabilité des attributions Banque de chaînes de séquences identiques (au moins des paires) Attribution des structures secondaires sur ces chaînes Peu de désaccords a/b Mésattributions ac ou bc essentiellement localisées aux extrémités des structures secondaires

138 Mésattributions DSSP Nter N+2 N+4 N+6 N+8 N+10 C-10 C-8 C-6 C-4 C-2 Cter Position of disassignments PSEA 0 Nter N+2 N+4 N+6 N+8 N+10 C-10 C-8 C-6 C-4 C-2 Cter Position of disassignments Localisation des mésattributions dans l ensemble des structures secondaires régulières Localisation majoritaire aux extrémités Deux programmes DSSP et PSEA

139 (4) (1) (3) (2) 1) 6AA alpha 2) 4 AA beta 3) 8 AA alpha 4) brin décalé Chaîne A Chaîne B 4sbv Deux chaînes identiques à 100% Superposition des carbones alpha 0,61 Å rms hélice = 0.26 Å Hélice